Synthetischer amodaler Wahrnehmungsdatensatz AmodalSynthDrive: Eine innovative Lösung für autonomes Fahren

• Paper Link: https://arxiv.org/pdf/2309.06547.pdf
• Dataset Link: http: //amodalsynthdrive.cs.uni-freiburg.de

abstract

In diesem Artikel wird AmodalSynthDrive vorgestellt: ein synthetischer amodaler Wahrnehmungsdatensatz für autonomes Fahren. Im Gegensatz zum Menschen, der selbst bei teilweiser Verdeckung mühelos die Gesamtheit eines Objekts beurteilen kann, ist dieser Aspekt für moderne Computer-Vision-Algorithmen immer noch eine große Herausforderung. Die Nutzung dieser amodalen Wahrnehmung für autonomes Fahren bleibt aufgrund des Mangels an geeigneten Datensätzen weitgehend unerforscht. Die Generierung dieser Datensätze wird hauptsächlich durch die hohen Annotationskosten und die Notwendigkeit beeinträchtigt, die durch die Subjektivität des Annotators verursachten Störungen bei der genauen Beschriftung verdeckter Bereiche zu mildern. Um diese Einschränkungen zu beseitigen, stellt dieses Papier AmodalSynthDrive vor, einen synthetischen amodalen Wahrnehmungsdatensatz für mehrere Aufgaben. Der Datensatz bietet Kamerabilder mit mehreren Ansichten, 3D-Begrenzungsrahmen, LIDAR-Daten und Odometrie für 150 Fahrsequenzen, einschließlich über 1 Mio. Objektanmerkungen unter verschiedenen Verkehrs-, Wetter- und Lichtverhältnissen. AmodalSynthDrive unterstützt eine Vielzahl amodaler Szenenverständnisaufgaben, einschließlich der Einführung einer amodalen Tiefenschätzung für ein verbessertes räumliches Verständnis. In diesem Artikel werden für jede Aufgabe mehrere Baselines bewertet, um die Herausforderungen zu veranschaulichen, und ein öffentlicher Benchmark-Server eingerichtet.

Hauptbeiträge

Die Beiträge dieses Papiers sind wie folgt zusammengefasst:

1) Dieses Papier schlägt den AmodalSynthDrive-Datensatz vor, einen umfassenden synthetischen amodalen Wahrnehmungsdatensatz für städtische Fahrszenarien mit mehreren Datenquellen;

Dieses Papier schlägt einen Benchmark für nichtmodale Wahrnehmungsaufgaben vor, einschließlich nichtmodaler semantischer Segmentierung, nichtmodaler Instanzsegmentierung und nichtmodaler Panoramasegmentierung

3) Der Zweck der neuen nichtmodalen Tiefenschätzungsaufgabe besteht darin, eine Verbesserung zu fördern räumliches Verständnis. Dieses Papier demonstriert die Machbarkeit dieser neuen Aufgabe anhand mehrerer Grundlagen.

Papierbilder und. Tabellen

Zusammenfassung

Wahrnehmung ist eine Schlüsselaufgabe für autonome Fahrzeuge, aber aktuellen Methoden fehlt noch das amodale Verständnis, das zur Interpretation komplexer Verkehrsszenen erforderlich ist. Daher schlägt dieser Artikel AmodalSynthDrive vor, einen multimodalen synthetischen Wahrnehmungsdatensatz für autonomes Fahren. Mit synthetischen Bildern und Lidar-Punktwolken stellen wir einen umfassenden Datensatz bereit, der mit Ground-Truth annotierte Daten für grundlegende amodale Wahrnehmungsaufgaben enthält, und führen eine neue Aufgabe zur Verbesserung des räumlichen Verständnisses namens amodale Tiefenschätzung ein. Dieses Papier stellt über 60.000 einzelne Bildsätze bereit, von denen jeder amodale Instanzsegmentierung, amodale semantische Segmentierung, amodale Panoramasegmentierung, optischen Fluss, 2D- und 3D-Begrenzungsrahmen, amodale Tiefe und figurenbezogene Daten enthält. Durch AmodalSynthDrive liefert dieses Papier verschiedene Grundlagen und ist davon überzeugt, dass diese Arbeit den Weg für neue Arten der Forschung zum amodalen Szenenverständnis in dynamischen städtischen Umgebungen ebnen wird

Originallink: https://mp.weixin .qq.com /s/7cXqFbMoljcs6dQOLU3SAQ

Das obige ist der detaillierte Inhalt vonSynthetischer amodaler Wahrnehmungsdatensatz AmodalSynthDrive: Eine innovative Lösung für autonomes Fahren. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!